[논문 리뷰] Learned Experts' Assessment-based Reconstruction Network ("LEARN") for Sparse-data CT.

Hu Chen, Yi Zhang외 6명|arXiv (Cornell University)|2017. 07. 30.

Medical Imaging Techniques and Applications참고 문헌 41인용 수 5

한 줄 요약

이 논문은 압축 감지 기반의 반복적 CT 재구성에서 적응형 정규화 파rameter 선택 문제를 해결하기 위해, 반복적인 필드 오브 전문가(foe) 알고리즘을 전개하여 훈련 데이터로부터 정규화 파rameter와 구조를 학습하는 딥러닝 기반 재구성 네트워크인 LEARN을 제안한다. 종단간 훈련을 통해 12개의 레이어로 구성된 LEARN은 기존의 반복적 방법에 비해 계산 비용을 크게 감소시키면서도, 마요 클리닉 저선량 챌린지 데이터셋에서 잡음 제거 및 특징 유지 측면에서 기존의 최고 성능 기법들을 능가하는 최고 수준의 영상 품질을 달성한다.

ABSTRACT

Compressive sensing (CS) has proved effective for tomographic reconstruction from sparsely collected data or under-sampled measurements, which are practically important for few-view CT, tomosynthesis, interior tomography, and so on. To perform sparse-data CT, the iterative reconstruction commonly use regularizers in the CS framework. Currently, how to choose the parameters adaptively for regularization is a major open problem. In this paper, inspired by the idea of machine learning especially deep learning, we unfold a state-of-the-art fields of experts based iterative reconstruction scheme up to a number of iterations for data-driven training, construct a Learned Experts' Assessment-based Reconstruction Network (LEARN) for sparse-data CT, and demonstrate the feasibility and merits of our LEARN network. The experimental results with our proposed LEARN network produces a competitive performance with the well-known Mayo Clinic Low-Dose Challenge Dataset relative to several state-of-the-art methods, in terms of artifact reduction, feature preservation, and computational speed. This is consistent to our insight that because all the regularization terms and parameters used in the iterative reconstruction are now learned from the training data, our LEARN network utilizes application-oriented knowledge more effectively and recovers underlying images more favorably than competing algorithms. Also, the number of layers in the LEARN network is only 12, reducing the computational complexity of typical iterative algorithms by orders of magnitude.

연구 동기 및 목표

• 압축 감지 기반 반복적 CT 재구성에서 적응형 정규화 파arameter 선택 문제를 해결하기 위해.
• 소수의 시야 CT 및 톰오그래피와 같은 희소 데이터 기반 CT 응용 분야에서 영상 품질을 향상시키기 위해.
• 반복적 재구성 방법의 계산 복잡도를 낮추면서도 영상 정밀도를 유지하거나 향상시키기 위해.
• 응용 분야 특화 지식을 데이터 기반 학습을 통해 정규화 구조를 학습함으로써 활용하기 위해.
• 기존 반복적 알고리즘보다 빠르고 정확도가 높은 경량 딥 네트워크(12개 레이어)를 개발하기 위해.

제안 방법

• 최신 기술인 필드 오브 전문가(FoE) 기반 반복적 재구성 알고리즘을 고정된 수의 레이어(12개)로 전개하여 종단간 훈련을 수행한다.
• 반복적 절차 내 정규화 항과 파arameter는 훈련 데이터로부터 공동으로 학습되는 가역적 구성 요소로 대체된다.
• 네트워크 아키텍처는 FoE 프레임워크의 최적화 단계를 모방하도록 설계되어 기울기 기반 훈련이 가능하다.
• 재구성 오차를 최소화하기 위해 실제 또는 시뮬레이션된 희소 시야 CT 데이터에 대해 지도 학습 손실 함수를 사용하여 네트워크를 훈련시킨다.
• 최종 네트워크는 기존 반복적 해법의 느린 수렴을 피하기 위해 단일 전방 전파(forward pass)로 영상 재구성을 수행한다.
• 아키텍처는 경량이며 오직 12개의 레이어만을 가지므로 표준 반복적 방법에 비해 계산 복잡도를 크게 감소시킨다.

실험 결과

연구 질문

• RQ1 반복적 재구성 알고리즘을 전개하여 훈련한 딥 네트워크가 희소 데이터 기반 CT 재구성에서 뛰어난 성능을 달성할 수 있는가?
• RQ2 수동 조정 없이도 다양한 영상 환경에 효과적으로 적응하는 학습된 정규화 파arameter가 가능한가?
• RQ3 제안된 네트워크가 계산 비용을 크게 줄이면서도 높은 영상 품질을 유지하는가?
• RQ4 실제 임상 데이터에서 학습된 네트워크의 성능이 최고 수준의 기법들과 비교해 어떻게 되는가?
• RQ5 응용 분야 특화 지식을 활용하여 미리 보지 않은 희소 데이터 기반 CT 환경에 잘 일반화되는가?

주요 결과

• LEARN은 마요 클리닉 저선량 챌린지 데이터셋에서 기존 최고 수준의 기법들보다 우수한 잡음 제거 및 특징 유지 성능을 보이며 경쟁적인 영상 품질을 달성한다.
• 기존의 반복적 재구성 알고리즘에 비해 계산 복잡도를 수개월 수준으로 감소시킨다.
• 오직 12개의 레이어만으로도 LEARN은 고정밀도 재구성을 유지하면서도 빠른 추론을 가능하게 한다.
• 학습된 정규화 항은 응용 분야 특화 영상 사전 지식을 효과적으로 포착하여 영상 정밀도를 향상시킨다.
• 소수의 시야 CT 및 톰오그래피와 같은 희소 데이터 기반 CT 작업에 대해 강력한 일반화 성능을 보여준다.
• 성능 향상은 수작업으로 설정한 사전 지식보다 영상 통계를 더 잘 반영하는 데이터 기반 정규화 구조 및 파arameter 학습 덕분으로 기인한다.